BP神经网络的基本原理+很清楚.pptxVIP

;若视;;;3）隐层权值的变化 ;从而得到隐层各神经元的权值调整公式为： ;;5.5.1 确定 BP 网络的结构 确定了网络层数、每层节点数、传递函数、初始权系数、学习算法等也就确定了 BP 网络。 确定这些选项时有一定的指导原则，但更多的是靠经验和试凑。 隐层数的确定： 1998 年 Robert Hecht-Nielson 证明了对任何在闭区间内的连续函数，都可以用一个隐层的 BP 网络来逼近，因而一个三层的 BP 网络可以完成任意的 n 维到 m 维的映照。因此我们从含 有一个隐层的网络开始进行训练。 BP 网络常用传递函数: ;对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取 的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多 还可能出现所谓“过渡吻合”（Overfitting）问题，即测试误差增大导致泛化能力下降， 因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是： 在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。 本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学 习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。 5.5.2 误差的选取 在神经网络训练过程中选择均方误差 MSE 较为合理，原因如下：